前言
我们之前讲了Redis的缓存雪崩、穿透、击穿。在文章里我们说了解决缓存穿透的办法之一，就是布隆过滤器，但是上次并没有讲如何使用布隆过滤器。
作为暖男的老哥，给你们补上，请叫我IT老暖男。
什么是布隆过滤器
布隆过滤器（Bloom Filter），是1970年，由一个叫布隆的小伙子提出的，距今已经五十年了，和老哥一样老。
它实际上是一个很长的二进制向量和一系列随机映射函数，二进制大家应该都清楚，存储的数据不是0就是1，默认是0。
主要用于判断一个元素是否在一个集合中，0代表不存在某个数据，1代表存在某个数据。
懂了吗？作为暖男的老哥在给你们画张图来帮助理解：
布隆过滤器用途
-
解决Redis缓存穿透（今天重点讲解）
-
在爬虫时，对爬虫网址进行过滤，已经存在布隆中的网址，不在爬取。
-
垃圾邮件过滤，对每一个发送邮件的地址进行判断是否在布隆的黑名单中，如果在就判断为垃圾邮件。
以上只是简单的用途举例，大家可以举一反三，灵活运用在工作中。
布隆过滤器原理
存入过程
布隆过滤器上面说了，就是一个二进制数据的集合。当一个数据加入这个集合时，经历如下洗礼（这里有缺点，下面会讲）：
-
通过K个哈希函数计算该数据，返回K个计算出的hash值
-
这些K个hash值映射到对应的K个二进制的数组下标
-
将K个下标对应的二进制数据改成1。
例如，第一个哈希函数返回x，第二个第三个哈希函数返回y与z，那么： X、Y、Z对应的二进制改成1。
如图所示：
查询过程
布隆过滤器主要作用就是查询一个数据，在不在这个二进制的集合中，查询过程如下：
-
通过K个哈希函数计算该数据，对应计算出的K个hash值
-
通过hash值找到对应的二进制的数组下标
-
判断：如果存在一处位置的二进制数据是0，那么该数据不存在。如果都是1，该数据存在集合中。（这里有缺点，下面会讲）
删除过程
一般不能删除布隆过滤器里的数据，这是一个缺点之一，我们下面会分析。
布隆过滤器的优缺点
优点
-
由于存储的是二进制数据，所以占用的空间很小
-
它的插入和查询速度是非常快的，时间复杂度是O（K），可以联想一下HashMap的过程
-
保密性很好，因为本身不存储任何原始数据，只有二进制数据
缺点
这就要回到我们上面所说的那些缺点了。
添加数据是通过计算数据的hash值，那么很有可能存在这种情况：两个不同的数据计算得到相同的hash值。
例如图中的“你好”和“hello”，假如最终算出hash值相同，那么他们会将同一个下标的二进制数据改为1。
这个时候，你就不知道下标为2的二进制，到底是代表“你好”还是“hello”。
由此得出如下缺点：
一、存在误判
假如上面的图没有存"hello"，只存了"你好"，那么用"hello"来查询的时候，会判断"hello"存在集合中。
因为“你好”和“hello”的hash值是相同的，通过相同的hash值，找到的二进制数据也是一样的，都是1。
二、删除困难
到这里我不说大家应该也明白为什么吧，作为你们的暖男老哥，还是讲一下吧。
还是用上面的举例，因为“你好”和“hello”的hash值相同，对应的数组下标也是一样的。
这时候老哥想去删除“你好”，将下标为2里的二进制数据，由1改成了0。
那么我们是不是连“hello”都一起删了呀。（0代表有这个数据，1代表没有这个数据）
到这里是不是对布隆过滤器已经明白了，都说了我是暖男。
实现布隆过滤器
有很多种实现方式，其中一种就是Guava提供的实现方式。
一、引入Guava pom配置
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>29.0-jre</version>
</dependency>
复制代码二、代码实现
这里我们顺便测一下它的误判率。
import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;
public class BloomFilterCase {
/**
* 预计要插入多少数据
*/
private static int size = 1000000;
/**
* 期望的误判率
*/
private static double fpp = 0.01;
/**
* 布隆过滤器
*/
private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size, fpp);
public static void main(String[] args) {
// 插入10万样本数据
for (int i = 0; i < size; i++) {
bloomFilter.put(i);
}
// 用另外十万测试数据，测试误判率
int count = 0;
for (int i = size; i < size + 100000; i++) {
if (bloomFilter.mightContain(i)) {
count++;
System.out.println(i + "误判了");
}
}
System.out.println("总共的误判数:" + count);
}
}
复制代码运行结果：
10万数据里有947个误判，约等于0.01%，也就是我们代码里设置的误判率：fpp = 0.01。
深入分析代码
核心BloomFilter.create方法
@VisibleForTesting
static <T> BloomFilter<T> create(
Funnel<? super T> funnel, long expectedInsertions, double fpp, Strategy strategy) {
。。。。
}
复制代码这里有四个参数：
-
funnel：数据类型(一般是调用Funnels工具类中的) -
expectedInsertions：期望插入的值的个数 -
fpp：误判率(默认值为0.03) -
strategy：哈希算法
我们重点讲一下fpp参数
fpp误判率
情景一：fpp = 0.01
-
误判个数：947
-
占内存大小：9585058位数
情景二：fpp = 0.03（默认参数）
-
误判个数：3033
-
占内存大小：7298440位数
情景总结
-
误判率可以通过
fpp参数进行调节 -
fpp越小，需要的内存空间就越大：0.01需要900多万位数，0.03需要700多万位数。
-
fpp越小，集合添加数据时，就需要更多的hash函数运算更多的hash值，去存储到对应的数组下标里。（忘了去看上面的布隆过滤存入数据的过程）
上面的numBits，表示存一百万个int类型数字，需要的位数为7298440，700多万位。理论上存一百万个数，一个int是4字节32位，需要481000000=3200万位。如果使用HashMap去存，按HashMap50%的存储效率，需要6400万位。可以看出BloomFilter的存储空间很小，只有HashMap的1/10左右
上面的numHashFunctions表示需要几个hash函数运算，去映射不同的下标存这些数字是否存在（0 or 1）。